Klasifikasi Emosi Netizen Menggunakan IndoBERT pada Media Sosial X Berbahasa Indonesia

Abstract

Penelitian ini bertujuan untuk Mengklasifikasikan emosi netizen media sosial X berbahasa Indonesia menggunakan model IndoBERT. Fokus utama penelitian ini adalah melakukan analisis emosi netizen media sosial X dan mendapatkan hasil kinerja model IndoBERT. Studi menunjukkan bahwa IndoBERT unggul dalam pelatihan menggunakan Bahasa Indonesia, meskipun memiliki arsitektur serupa dengan BERT karena mencangkup sekitar 4 miliar kata dan 250 juta kalimat, dan menggunakan jenis penelitian IndoBERTweet yang dioptimalkan lebih lanjut untuk data Twitter berbahasa Indonesia, menunjukkan potensi signifikan dalam tugas klasifikasi emosi, meskipun beberapa penelitian mencatat bahwa kinerja IndoBERT .Evaluasi dilakukan dengan menggunakan conffusion matrix yang terdiri dari 4 jenis nilai yaitu TP (True Positive), TN (True Negative), FP (False Positive), dan FN (False Negative). Nilai-nilai tersebut kemudian digunakan untuk menganalisis hasil kerja model dengan menghitung nilai accuracy, precision, recall, dan f1-score. Ekperimen menunjukkan bahwa IndoBERT menampilkan confusion matrix yang menunjukkan bahwa model mampu memprediksi emosi marah sebesar 120 dari 165 data namun model sedikit kesulitan untuk memisahkan antara marah dan sedih dimana 25 data sedih salah diprediksi sebagai marah dan 20 data marah salah diprediksi sebagai sedih, model juga salah dalam memprediksi data senang sebagai sedih sebanyak 23 data. Sedangkan IndoBERTweet cenderung lebih baik dalam mengidentifikasi label emosi senang dengan prediksi data benar 129 data dari 152 data namun model juga salah dalam memprediksi data sedih sebagai data senang sebanyak 25 data. Berdasarkan hasil tersebut, dapat disimpulkan masing klasifikasi emosi pada model IndoBERT hanya unggul pada emosi takut dan cinta di bagian Recall 79.36% berbanding 75.26% dan 86.46% berbanding 78.30%. sedangkan untuk keseluruhan masih tetap unggul IndoBERTweet.